معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

A library for executing running calculations

ویژگی	مقدار
سیستم عامل	OS Independent
نام فایل	RunningCalcs-0.4
نام	RunningCalcs
نسخه کتابخانه	0.4
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Tal Einat
ایمیل نویسنده	taleinat@gmail.com
آدرس صفحه اصلی	http://bitbucket.org/taleinat/runningcalcs/
آدرس اینترنتی	https://pypi.org/project/RunningCalcs/
مجوز	UNKNOWN

============ RunningCalcs ============ -------------------------------------------- A library for executing running calculations -------------------------------------------- Introduction ============ Instances of the ``RunnincCalc`` classes in this library can be fed one input value at a time. This allows running several calculations in a single pass over an iterator. This isn't possible with the built-in variants of most calculations, such as ``max()`` and ``heapq.nlargest()``. ``RunningCalc`` instances can be fed values directly, for example:: mean_rc, stddev_rc = RunningMean(), RunningStdDev() for x in values: mean_rc.feed(x) stddev_rc.feed(x) mean, stddev = mean_rc.value, stddev_rc.value Additionally, the ``apply_in_parallel()`` function is supplied, which makes performing several calculations in parallel easy (and fast!). For example:: mean, stddev = apply_in_parallel([RunningMean(), RunningStdDev()], values) five_smallest, five_largest = apply_in_parallel([RunningNSmallest(5), RunningNLargest(5)], values) Optimizations ============= In addition to the basic ``feed()`` method, some ``RunningCalc`` classes also implement an optimized ``feedMultiple()`` method, which accepts a sequence of values to be processed. This allows values to be processed in chunks, allowing for faster processing in many cases. The ``apply_in_parallel()`` function automatically splits the given iterable of input values into chunks (chunk size can be controlled via the ``chunk_size`` keyword argument). Therefore using ``apply_in_parallel()`` is both fast and easy. Writing Your Own RunningCalc Class ================================== 1. sub-class ``RunningCalc`` 2. implement the ``__init__()`` and ``feed()`` methods 3. make the calculation output value accessible via the ``value`` attribute 4. optionally implement an optimized ``feedMultiple()`` method Note: the ``RunningCalc`` base class includes a default naive implementation of ``feedMultiple()``

نحوه نصب

نصب پکیج whl RunningCalcs-0.4:

pip install RunningCalcs-0.4.whl

نصب پکیج tar.gz RunningCalcs-0.4:

pip install RunningCalcs-0.4.tar.gz